METODOS ESTADÍSTICOS
|
|
- Gregorio Gómez Lara
- hace 7 años
- Vistas:
Transcripción
1 METODOS ESTADÍSTICOS Introducción. Uno de los objetivos de la asignatura de Hidrología, es mostrar a los alumnos, las herramientas de cálculo utilizadas en Hidrología Aplicada para diseño de Obras Hidráulicas. Una de esas herramientas de cálculo que se utiliza es a través del uso de las técnicas estadísticas para determinar los eventos de diseño máximos, asociados a diferentes periodos de retorno. Este procedimiento de cálculo se fundamenta en correlacionar los registros históricos de las estaciones hidrométricas, con las diferentes distribuciones de probabilidad que existen. Sin embargo, el desarrollar en forma completa un ejemplo de aplicación real, a través de esta técnica, conlleva varias horas clase que en muchos casos hace que el alumno pierda de vista el concepto fundamental, por esa razón, en este trabajo, se plantea utilizar el proceso de automatización de los métodos estadísticos, a través de programar en Visual Basic for Application de Excel, las distribuciones de probabilidad más utilizadas, con el objetivo de que el alumno, interactúe con la computadora para darle solución a un problema y preste más atención a los conceptos básicos del tema, así como pueda utilizar el programa para asignaturas consecuentes. El trabajo consiste en tres partes fundamentales: La primera, muestra los aspectos teóricos relacionados con los métodos estadísticos para maximización de eventos hidrológicos, la segunda, presenta las características del programa de automatización y finalmente, la tercera parte, presenta un ejemplo de aplicación a un registro hidrométrico real. Asimismo, este material didáctico incluye un disco que contiene el archivo Analisis de frecuencia.xls, que sirve para aplicar el proceso de automatización a cualquier registro hidrométrico. 108
2 I MÉTODOS ESTADÍSTICOS EN HIDROLOGÍA. I.1 ANÁLISIS DE FRECUENCIA. Uno de los problemas más importantes en la hidrología consiste en obtener una interpretación de eventos probabilísticos a futuro, asociados a un registro en el pasado. Ejemplo de este caso, es la estimación de gastos máximos y su procedimiento se conoce con el nombre de análisis de frecuencia. Muchos procesos en Hidrología deben ser analizados y explicados con base a la ciencia probabilística, por su inherente aleatoriedad. Por lo tanto, no es posible predecir una avenida o una precipitación con base únicamente determinística. Afortunadamente, los métodos estadísticos permiten presentar, organizar y reducir datos para facilitar su interpretación y evaluación. Esta parte del trabajo presenta los gastos máximos anuales cuantificados y presentados con distribuciones de probabilidad continua. Muchas funciones de densidad de probabilidad continuas son usadas en la Hidrología, sin embargo este trabajo hace énfasis solo en las más comunes. Ellas son: Distribución Exponencial con dos parámetros Distribución Gamma de dos parámetros. Distribución Gamma de tres parámetros (Pearson tipo III). Distribución General de Valores Extremos (Gumbel) Distribución Gumbel de dos poblaciones (Gumbel p) Distribución Log-Normal. Método de Nash. Distribución Normal. Para poder correlacionar una muestra de registro hidrométrico a una distribución de probabilidad, se requiere de un método de estimación de parámetros que permita relacionar la información muestral con la poblacional, los métodos de estimación de parámetros que se conocen son: Momentos. Iguala momentos poblacionales con muestrales. Máxima Verosimilitud. Supone que el mejor parámetro de una función debe ser aquel que maximiza la probabilidad de ocurrencia de la muestra observada. 109
3 Mínimos cuadrados. Minimiza la suma de los cuadrados de todas las desviaciones entre los valores calculados y observados. Probabilidad Pesada. Deriva expresiones para los parámetros de distribuciones cuyas formas inversas se puede definir inversamente. Sextiles. El rango de la variable es dividida en 6 intervalos, tal que la probabilidad acumulada en cada intervalo es de un sexto. Momentos L. Este material didáctico, considera el método de momentos para la estimación de parámetros en las funciones de distribución. Se debe recordar que una variable aleatoria, es aquella que no se puede predecir con certeza al realizar un experimento y su comportamiento se describe mediante su ley de probabilidades, la cual se especifica por su función de densidad de probabilidad f(x), o por su función de densidad acumulada F(x) que representa el área bajo la curva de la función de densidad, representando la probabilidad de ocurrencia del evento. I. DISTRIBUCIÓN EXPONENCIAL CON DOS PARÁMETROS. La función de distribución exponencial se define como: x F( x) = ( e x 1 β ) dx 0 (I.1) y la función de densidad de probabilidad es: f ( x) = βe βx (I.) donde, β se conoce como parámetro de escala. La estimación del parámetro de escala por el método de momentos se hará a través de la siguiente ecuación: 110
4 β = 1 $x (I.3) donde x, es la media de la muestra, que se calculará a través de la siguiente expresión: n xi $x = (I.4) n i = 1 La ecuación para determinar los gastos calculados a través de la muestra con la distribución Exponencial es: 1 Ln T Qcalc. = (I,5) β donde, T es el periodo de retorno en años y Qcalc, es el gasto de diseño calculado con la distribución exponencial para un periodo de retorno dado. I.3 DISTRIBUCIÓN GENERAL DE VALORES EXTREMOS I. (GUMBEL) Supóngase que se tienen N muestras, cada una de las cuales contiene n eventos. Si se selecciona el máximo x de los n eventos de cada muestra, es posible demostrar que, a medida que n aumenta, la función de distribución de probabilidad de x tiende a: x F x e e ( x ) ( ) = α β dx (I.6) 0 La función de densidad de probabilidad es entonces: [ ( ) ] α x β e α( x β) f ( x) = αe (I.7) donde α y β son los parámetros de escala y forma de la función, y se estiman por el método de momentos como α = 0.78 s y β = x α, donde x 111
5 representa la media de la muestra y se valúa con la ecuación I.4 y s es la desviación estándar que se calculará con la siguiente ecuación: s = n ( xi x$) i = 1 n 1 (I.8) Despejando x de la ec. 1.6, la ecuación para determinar los gastos a través de la distribución Gumbel es: T x = Qcalc = β α ln ln T 1 (I.9) I.4 MÉTODO DE NASH. Utilizando la función de distribución de probabilidad de Gumbel de una población, Nash propone la siguiente metodología para calcular los parámetros de la función: Sea: T Q calc = a + clnln T 1 (I.10) Comparando la ec. I.10 con la I.9, a = β y c = -α Con un cambio de variable, la ec. I.10 queda: Q a cx calc = + (I.11) x = T lnln T 1 (I.1) y a y c son los parámetros de la función, que se obtendrán a través de un análisis de correlación lineal simple con el criterio de los mínimos cuadrados. 11
6 a = n n n n y x i i xiy xi i = 1 i = 1 i = 1 i = 1 n n n x i x i i = 1 i = 1 (I.13) b = n n n n xiyi xi yi i = 1 i = 1 i = 1 n n n x i x i i = 1 i = 1 (I.14) El subíndice i representa los datos muestrales. I.5 DISTRIBUCIÓN GUMBEL DE DOS POBLACIONES (GUMBEL P). En muchos lugares, los gastos máximos anuales pertenecen a dos poblaciones diferentes, la primera es la de los gastos producidos por precipitaciones relacionadas con los fenómenos meteorológicos dominantes en la región en estudio, y la segunda es la de los gastos producidos por precipitaciones ciclónicas, normalmente mayores que los primeros. Se ha demostrado que, en estos casos, la función de distribución de probabilidad se puede expresar como: [ ] Fx ( ) = F1( x) p + ( 1 pf ) ( x) (I.15) donde F 1 (x) y F (x) son, respectivamente, las funciones de distribución de probabilidad de los gastos máximos anuales producidos por tormentas ciclónicas y de los producidos por ellas, y p es la probabilidad de que en un año cualquiera el gasto máximo no sea producido por una tormenta ciclónica. El número de parámetros de la función anterior es: n n n = (I.16) 113
7 donde n 1 = número de parámetros de F 1 (x), n = número de parámetros de F (x) y el parámetro restante es p. El valor de p será entonces: Nn p = (I.17) NT donde N n es el numero de años de registro en que el gasto máximo no se produce por una tormenta ciclónica y N T es el número total de años de registro. F 1 (x) y F (x) son del tipo Gumbel, por lo que la función de probabilidad queda así: ( x ) ( x ) Fx e e ( ) = α 1 β 1 p+ ( p ) e e α β 1 (I.18) donde α 1 y β 1 son los parámetros correspondientes a la población no ciclónica y α y β corresponden a la ciclónica. La estimación de parámetros α 1, β 1, α y β, por momentos se calculan con el mismo criterio de la distribución Gumbel de 1 población. En este caso no es posible determinar una ecuación para el cálculo de gastos máximos debido a que la función de distribución de probabilidad de Gumbel de dos poblaciones es implícita, eso implica que la solución de dicha ecuación debe realizarse a través de algún método para determinar raíces en una función. I.6 DISTRIBUCIÓN NORMAL. La función de densidad de probabilidad normal se define como: f ( x) = 1 x μ 1 e σ (I.19) πσ donde, μ y σ son los parámetros de la distribución. Estos parámetros determinan la forma de la función f(x) y su posición en el eje x. 114
8 Los valores de μ y σ son la media y la desviación estándar de la población y pueden estimarse como la media y desviación estándar de los datos. La función de distribución de probabilidad normal es: 1 x μ x 1 Fx ( ) = e σ dx (I.0) πσ Como se sabe, hoy en día no se conoce analíticamente la integral de la ecuación F(x), por lo que es necesario recurrir a métodos numéricos para valuarla. Sin embargo, para hacer esto se requiere una tabla para cada valor de μ y σ, por lo que se ha definido la variable estandarizada: z = x μ σ (I.1) que está normalmente distribuida con media cero y desviación estándar unitaria. Así la función de distribución de probabilidad se puede escribir como: z z 1 Fx ( ) = Fz ( ) = e dz πσ (I.) La función F(z) se ha calculado numéricamente y se han publicado tablas de ella. Debido a que la función F(z) es simétrica, en dicha tabla se encuentran únicamente valores de: z z 1 0 πσ e dz (I.3) con lo que es posible calcular F(z) para cualquier valor de z. Otra manera más conveniente de estimar f(z) o F(z), es mediante fórmulas aproximadas. La función de densidad f(z) se aproxima, como: z = w C + C w+ C w dw+ dw + dw (I.4) 115
9 Donde C o = C 1 = C = d 1 = d = d 3 = donde: w = ln 1 ( 1 Pt ()) (I.5) 1 Pt ()= 1 (I.6) T Para calcular los gastos máximos de diseño con esta distribución, se utiliza la siguiente expresión: Qcalc = Q + sz (I.7) donde: Q y s son respectivamente la media y desviación estándar de la muestra. I.7 DISTRIBUCIÓN LOG-NORMAL. En esta función los logaritmos naturales de la variable aleatoria se distribuyen normalmente. La función de densidad de probabilidad es: f ( x) = 1 ln x α 1 1 x e β π β (I.8) donde α y β son los parámetros de la distribución. Los valores de α y β son respectivamente la media y la desviación estándar de los logaritmos de la variable aleatoria. 116
10 Esta función no necesariamente es simétrica. Los valores de α y β se estiman a partir de n observaciones x i, i = 1,, 3,...n, como : α = β = n ln( x i ) n i = 1 ( α ) n ln x i n i = 1 1 (I.9) (I.30) La función de distribución de probabilidad es: Fx ( ) = 1 ln x α x 1 1 x e β 0 π β dx (I.31) Los valores de la función de distribución de probabilidad, se obtienen usando la misma variable estandarizada, que se define para este como: z = ln x α β (I.3) Por lo que para calcular los gastos máximos de diseño se utiliza la siguiente expresión: Qcalc = Q + sz (I.33) donde: Q y s son respectivamente la media y desviación estándar de los logaritmos de la muestra. 117
11 I.8 DISTRIBUCIÓN GAMMA DE DOS PARÁMETROS. La función de distribución de probabilidad es: Fx ( ) = x x x β 1 e α dx 0 α β Γ ( β) (I.34) La función de densidad de probabilidad gamma de dos parámetros se define como: f ( x) = x x ( β 1) e α α β Γ ( β) (I.35) donde α y β son los parámetros de escala y forma de la función y Γ(β) es la función Gamma. Los parámetros α y β se evalúan por el criterio de momentos a partir de las siguientes ecuaciones: α = s (I.36) x$ β = $x s (I.37) donde x y s son la medía y desviación estándar de los datos. Para obtener los eventos de diseño para diferentes periodos de retorno la distribución Gamma puede ser obtenida en forma aproximada utilizando la variable estandarizada z de la distribución Normal a través de la siguiente ecuación de aproximación: 118
12 1 Qcalc. = ( α )( β) 1 + 9β z 3 1 9β (I.38) I.9 DISTRIBUCIÓN PEARSON TIPO III. (GAMMA CON TRES PARÁMETROS) La función de densidad de probabilidad de la distribución Pearson tipo III se define como: Fx ( ) = x x 1 x x β e α αγ ( β) α (I.39) donde: α, β y x 0 son los parámetros de respectivamente. escala, de forma y de ubicación Los parámetros α, β y x 0 se estiman a través del criterio de momentos con las siguientes ecuaciones: α = gs (I.40) β = 4 g (I.41) x0 = x$ αβ (I.4) donde, x, s y g son la media, la desviación estándar y el coeficiente de asimetría respectivamente de la muestra. Para determinar los eventos de diseño para cualquier periodo de retorno la distribución Pearson tipo III puede ser evaluada a través de una aproximación con la variable estandarizada z de la distribución normal, utilizando la siguiente ecuación: 3 Qcalc. = ( )( ) α β 1 z + x 9β 9β 0 (I.43) 119
13 I.10 MÉTODO DEL ERROR CUADRÁTICO MÍNIMO. Consiste en calcular, para cada función de distribución, el error cuadrático como: 1 n E = ( Qci Qmi) i = 1 (I.44) Donde, Qci es el i-ésimo dato calculado con la distribución de probabilidad, Qmi es i-ésimo dato del registro hidrométrico en cuestión y E es el error cuadrático mínimo. La función de probabilidad de mayor ajuste al registro hidrométrico será entonces aquella que cumpla un valor de E cercano a cero. I.11 PROCEDIMIENTO DE CÁLCULO PARA CORRELACIONAR UNA MUESTRA A UNA DISTRIBUCIÓN DE PROBABILIDAD. 1. Obtener los valores de la muestra.. Ordenar los gastos de la muestra de mayor a menor (Ya que el objetivo es determinar gastos máximos). 3. Calcular el periodo de retorno para cada año de registro, a través de la ecuación: T = n + 1 m (I.45) donde n, número de años del registro m, número de orden que se asigna a la muestra T, periodo de retorno. 10
14 4. Determinar la probabilidad de excedencia Px ( ) = 1 (I.46) T (En algunos casos será necesario determinar la probabilidad de no excedencia) 5. Calcular el gasto máximo de acuerdo a la distribución de probabilidad elegida. 6. Determinar los errores al cuadrado, con base en las diferencias entre gasto calculado y medido. 7. Finalmente, evaluar la sumatoria de errores al cuadrado. Ejemplo: Los siguientes gastos anuales han sido obtenidos de los registros hidrométricos de un río. Estime la magnitud del gasto para un periodo de retorno de 0 años. Año Q(m 3 /s) Q m T T/T-1 Xi X Q i *10 6 XiQi
15 sustituyendo en la ecuación: [ m s] Qm = = / 1 1
ANALISIS DE FRECUENCIA EN HIDROLOGIA JULIAN DAVID ROJO HERNANDEZ
ANALISIS DE FRECUENCIA EN HIDROLOGIA JULIAN DAVID ROJO HERNANDEZ Probabilidad - Período de retorno y riesgo La probabilidad de ocurrencia de un fenómeno en hidrología puede citarse de varias Formas: El
Más detallesANÁLISIS DE FRECUENCIAS
ANÁLISIS DE FRECUENCIAS EXPRESIONES PARA EL CÁLCULO DE LOS EVENTOS PARA EL PERÍODO DE RETORNO T Y DE LOS RESPECTIVOS ERRORES ESTÁNDAR DE ESTIMACIÓN REQUERIDOS PARA LA DETERMINACIÓN DE LOS INTERVALOS DE
Más detalles3. ANÁLISIS DE DATOS DE PRECIPITACIÓN.
3. ANÁLISIS DE DATOS DE PRECIPITACIÓN. Teniendo en cuenta que la mayoría de procesos estadísticos se comportan de forma totalmente aleatoria, es decir, un evento dado no está influenciado por los demás,
Más detallesANÁLISIS DE FRECUENCIA (CURVAS INTENSIDAD DURACIÓN - FRECUENCIA) Y RIESGO HIDROLÓGICO
Facultad de Ingeniería Escuela de Civil Hidrología ANÁLISIS DE FRECUENCIA (CURVAS INTENSIDAD DURACIÓN - FRECUENCIA) Y RIESGO HIDROLÓGICO Prof. Ada Moreno ANÁLISIS DE FRECUENCIA Es un procedimiento para
Más detallesANALISIS DE FRECUENCIA EN HIDROLOGIA
ANALISIS DE FRECUENCIA EN HIDROLOGIA Luis F. Carvajal Julián D. Rojo Universidad Nacional de Colombia Facultad de Minas Escuela de Geociencias y Medio Ambiente Introducción 1. Los eventos hidrológicos
Más detallesCLASE X ANÁLISIS PROBABILISTICO DE LAS VARIABLES PRECIPITACIÓN TOTAL ANUAL Y CAUDAL MEDIO ANUAL
Universidad Nacional Agraria La Molina IA-406 Hidrología Aplicada CLASE X ANÁLISIS PROBABILISTICO DE LAS VARIABLES PRECIPITACIÓN TOTAL ANUAL Y CAUDAL MEDIO ANUAL 1. Longitud necesaria de registro Diversos
Más detallesDistribución Exponencial
Distribución Exponencial Hay dos casos especiales importantes de la distribución gamma, que resultan de restricciones particulares sobre los parámetros α y β. El primero es cuando se tiene α = 1, entonces
Más detallesANALISIS DE FRECUENCIA
ANALISIS DE FRECUENCIA HIDROLOGÍA Determinística: enfoque en el cual los parámetros se calculan en base a relaciones físicas para procesos dinámicos del ciclo hidrológico. Estocástico: Enfoque en el cual
Más detalles1. ANTECEDENTES TEÓRICOS
1. Antecedentes Teóricos 1. ANTECEDENTES TEÓRICOS La planeación y el diseño de obras hidráulicas están relacionados con eventos hidrológicos futuros, cuyo tiempo de ocurrencia o magnitud no pueden predecirse,
Más detallesAlgunas Distribuciones Continuas de Probabilidad. UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Algunas Distribuciones Continuas de Probabilidad UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción El comportamiento de una variable aleatoria queda
Más detallesEL PRINCIPIO DE MÁXIMA VEROSIMILITUD (LIKELIHOOD)
EL PRINCIPIO DE MÁXIMA VEROSIMILITUD (LIKELIHOOD) Fortino Vela Peón fvela@correo.xoc.uam.mx FVela-0 Objetivo Introducir las ideas básicas del principio de máxima verosimilitud. Problema Considere el experimento
Más detallesPart I. Variables aleatorias unidimensionales. Estadística I. Mario Francisco. Definición de variable aleatoria. Variables aleatorias discretas
Part I unidimensionales de s de s Definición Dado un experimento aleatorio, con espacio muestral asociado Ω, una es cualquier función, X, X : Ω R que asocia a cada suceso elemental un número real, verificando
Más detallesCálculo de Probabilidades II Preguntas Tema 2
Cálculo de Probabilidades II Preguntas Tema 2 1. Demuestre que la suma de n v.a. Bernuolli(p) independientes tiene una distribución Binomial con parametros (n, p). 2. Se dice que una v.a tiene una distribución
Más detallesSelección de distribuciones de probabilidad
Selección de distribuciones de probabilidad Patricia Kisbye FaMAF 6 de mayo, 2010 Análisis estadístico de datos simulados Los sistemas reales tienen fuentes de aleatoriedad: Tipo de sistema Fabricación
Más detalles1. La Distribución Normal
1. La Distribución Normal Los espacios muestrales continuos y las variables aleatorias continuas se presentan siempre que se manejan cantidades que se miden en una escala continua; por ejemplo, cuando
Más detallesEstadística Clase 2. Maestría en Finanzas Universidad del CEMA. Profesor: Alberto Landro Asistente: Julián R. Siri
Estadística 010 Clase Maestría en Finanzas Universidad del CEMA Profesor: Alberto Landro Asistente: Julián R. Siri Clase 1. La distribución de Bernoulli. La distribución binomial 3. La distribución de
Más detallesCAPÍTULO 1. GENERALIDADES
CAPÍTULO 1 GENERALIDADES 1.1. ESTADÍSTICA HIDROLÓGICA: DISTRIBUCIONES DE PROBABILIDAD Los procesos hidrológicos, como todo proceso natural, son de carácter aleatorio, es decir, que se rigen por las leyes
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación Facultad de Ciencias Sociales, UdelaR Índice 1. Repaso: estimadores y estimaciones. Propiedades de los estimadores. 2. Estimación puntual.
Más detallesDistribuciones unidimensionales continuas
Estadística II Universidad de Salamanca Curso 2011/2012 Outline 1 Distribución uniforme continua 2 Estándar 3 Distribución χ 2 de Pearson 4 Distribución uniforme continua Definición Es una variable continua
Más detallesTema 6. Variables aleatorias continuas
Tema 6. Variables aleatorias continuas Resumen del tema 6.1. Definición de variable aleatoria continua Identificación de una variable aleatoria continua X: es preciso conocer su función de densidad, f(x),
Más detallesTema 6: Modelos de probabilidad.
Estadística 60 Tema 6: Modelos de probabilidad. 6.1 Modelos discretos. (a) Distribución uniforme discreta: La variable aleatoria X tiene una distribución uniforme discreta de parámetro n,que denoteramos
Más detallesESTADÍSTICA I. A continuación se presentan los Modelos Probabilísticos Continuos más importantes.
1 ESTADÍSTICA I Capítulo 6: MODELOS PROBABILÍSTICOS CONTINUOS. Contenido: Distribución Uniforme Continua. Distribución Triangular. Distribución Normal. Distribuciones Gamma, Exponencial, Erlang y Chi Cuadrado.
Más detallesDISTRIBUCIONES DE PROBABILIDAD
DISTRIBUCIONES DE PROBABILIDAD VARIABLE ALEATORIA Una variable x valuada numéricamente varía o cambia, dependiendo del resultado particular del experimento que se mida. Por ejemplo, suponga que se tira
Más detallesPP: gran cantidad de faltantes. Mejor solución no siempre es la misma: 1) Trabajar con datos incompletos (ojo con no sesgar la serie!!
PP: gran cantidad de faltantes Mejor solución no siempre es la misma: 1) Trabajar con datos incompletos (ojo con no sesgar la serie!!) 2) Completar con algún método Definición: Homegeneidad 2 estaciones
Más detallesEstadística Inferencial. Sesión No. 9 Regresión y correlación lineal
Estadística Inferencial Sesión No. 9 Regresión y correlación lineal Contextualización En la administración, las decisiones suelen basarse en la relación entre dos o más variables. En esta sesión se estudia
Más detallesT2. El modelo lineal simple
T2. El modelo lineal simple Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 40 Índice 1 Planteamiento e hipótesis básicas 2 Estimación de
Más detallesINTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 7)
TEMA Nº 7 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD OBJETIVOS DE APRENDIZAJE: Conocer las características de la distribución normal como distribución de probabilidad de una variable y la aproximación de
Más detalles= f ( intensidad de lluvia, área de aportación)
Redes de saneamiento (III): Estadística hidrológica 1 Cuánta agua entra a través de este imbornal en la alcantarilla? = f ( intensidad de lluvia, área de aportación) 2 Mapas de isoyetas Mapa de isoyetas
Más detallesTécnicas Cuantitativas para el Management y los Negocios I
Técnicas Cuantitativas para el Management y los Negocios I Licenciado en Administración Módulo II: ESTADÍSTICA INFERENCIAL Contenidos Módulo II Unidad 4. Probabilidad Conceptos básicos de probabilidad:
Más detalles= 134, 5 Tercer cuartil: Q 3 = Pueden considerarse normales. =2 P 10 = 118 horas. f(x) =
SOLUCIONES AL EXAMEN DE MÉTODOS ESTADÍSTICOS 2 0 ITIE. 19 /01/2009 1. X = 132, 25 Mediana: M e = 134 + 135 2 = 134, 5 Tercer cuartil: Q 3 = 140 + 141 2 = 140, 5 11 288 12 11267 13 04566 14 0127 15 12 Pueden
Más detallesFormas de una Curva de Frecuencias
Formas de una Curva de Frecuencias Cuando se tiene una muestra de las observaciones de una variable, éstas se pueden graficar a través de un polígono de frecuencias relativas. Cuando este polígono es suavizado,
Más detallesDistribuciones Probabilísticas. Curso de Estadística TAE,2005 J.J. Gómez Cadenas
Distribuciones Probabilísticas Curso de Estadística TAE,005 J.J. Gómez Cadenas Distribución Binomial Considerar N observaciones independientes tales que: El resultado de cada experimento es acierto o fallo
Más detallesUNIVERSIDAD AUTÓNOMA DEL ESTADO DE MÉXICO
UNIVERSIDAD AUTÓNOMA DEL ESTADO DE MÉXICO CENTRO UNIVERSITARIO UAEM ZUMPANGO LICENCIATURA EN TURISMO UNIDAD DE APRENDIZAJE: ESTADISTICA TEMA 1.5 : ESTADISTICA DESCRIPTIVA M. EN C. LUIS ENRIQUE KU MOO FECHA:
Más detallesGENERACION DE NUMEROS ALEATORIOS Y VARIABLES ALEATORIAS
GENERACION DE NUMEROS ALEATORIOS Y VARIABLES ALEATORIAS La simulación de eventos se basa en la ocurrencia aleatoria de los mismos, por ello los números aleatorios y las variables aleatorias son de especial
Más detallesTema 4: Variables Aleatorias
Tema 4: Variables Aleatorias Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Variables Aleatorias Curso 2009-2010 1 / 10 Índice 1 Concepto
Más detallesESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua
ESTADÍSTICA Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal Cuantitativa discreta continua DISTRIBUCIÓN DE FRECUENCIAS Frecuencia absoluta: fi Frecuencia relativa:
Más detallesUN TAMAÑO DE MUESTRA PRELIMINAR EN LA ESTIMACION DE LA MEDIA, EN POBLACIONES CON DISTRIBUCIONES UNIFORMES Y TRIANGULARES
Revista Colombiana de Estadística Volumen 24 (2001) N o 1, páginas 27 a 32 UN TAMAÑO DE MUESTRA PRELIMINAR EN LA ESTIMACION DE LA MEDIA, EN POBLACIONES CON DISTRIBUCIONES UNIFORMES Y TRIANGULARES CARLOS
Más detallesProf. Eliana Guzmán U. Semestre A-2015
Unidad III. Variables aleatorias Prof. Eliana Guzmán U. Semestre A-2015 Variable Aleatoria Concepto: es una función que asigna un número real, a cada elemento del espacio muestral. Solo los experimentos
Más detallesCurso de Probabilidad y Estadística
Curso de Probabilidad y Estadística Distribuciones de Probabilidad Dr. José Antonio Camarena Ibarrola camarena@umich.mx Universidad Michoacana de San Nicolás de Hidalgo Facultad de Ingeniería Eléctrica
Más detallesSelección de distribuciones de probabilidad
Selección de distribuciones de probabilidad Georgina Flesia FaMAF 3 de mayo, 2012 Análisis estadístico de datos simulados Los sistemas reales tienen fuentes de aleatoriedad: Tipo de sistema Fabricación
Más detallesENUNCIADO y SOLUCIONES. Problema 1
Ingeniería Industrial Métodos estadísticos de la Ingeniería Examen Junio 007. ENUNCIADO y SOLUCIONES Problema La memoria RAM para un ordenador se puede recibir de dos fabricantes A y B con igual probabilidad.
Más detallesPROBABILIDADES Y ESTADÍSTICA (C) Práctica 3 P (X > 0) P ( 0,5 < X < 0,5) P ( X > 0,25) 1 si 2 x P (X 1) P (0,5 X 1) P (0,5 < X 1 X < 1)
PROBABILIDADES Y ESTADÍSTICA (C) Práctica 3 1. Sea X una v.a. con función de densidad { 0,75 (1 x f X (x) = 2 ) 1 x 1 0 en otro caso. a) Verificar que f X es realmente una función de densidad. b) Calcular:
Más detallesDepartamento de Matemática Aplicada a las T.I.C. SOLUCIONES
Departamento de Matemática Aplicada a las T.I.C. ASIGNATURA: ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS EAMEN FINAL Otoño 25-6 FECHA: 5 de Enero de 26 Fecha publicación notas: 22 de Enero de 26 Fecha revisión
Más detallesANALISIS ESTADISTICO MINISTERIO DE ECONOMIA Y FINANZAS
ANALISIS ESTADISTICO MINISTERIO DE ECONOMIA Y FINANZAS NOV 2015 PLAN DE ESTUDIO 1. ESTADISTICA DESCRIPTIVA 1. MEDIDAS DE TENDENCIA CENTRAL PRIMER MOMENTO 2. OTRAS MEDIDAS DE TENDENCIA CENTRAL 3. MEDIDAS
Más detallesEXAMEN DE ESTADÍSTICA Septiembre 2011
EXAMEN DE ESTADÍSTICA Septiembre 2011 Apellidos: Nombre: DNI: GRUPO: 1. De una clase de N alumnos se tiene la siguiente información sobre las calificaciones obtenidas del 1 al 8 en una cierta asignatura
Más detallesFORMULARIO DE DISTRIBUCIONES DE PROBABILIDAD
FORMULARIO DE DISTRIBUCIONES DE PROBABILIDAD Jorge M. Galbiati pág. DISTRIBUCION BINOMIAL 2 DISTRIBUCION POISSON 4 DISTRIBUCION HIPERGEOMETRICA 5 DISTRIBUCION GEOMETRICA 7 DISTRIBUCION NORMAL 8 DISTRIBUCION
Más detallesINTRODUCCIÓN AL ANÁLISIS DE DATOS FEBRERO Código asignatura: EXAMEN MODELO B DURACION: 2 HORAS
Febrero 2011 EXAMEN MODELO B Pág. 1 INTRODUCCIÓN AL ANÁLISIS DE DATOS FEBRERO Código asignatura: 62011037 EXAMEN MODELO B DURACION: 2 HORAS X Ciudad A Ciudad B 17-20 10 17 13-16 20 27 9-12 25 15 5-8 15
Más detallesModelado de la aleatoriedad: Distribuciones
Modelado de la aleatoriedad: Distribuciones Begoña Vitoriano Villanueva Bvitoriano@mat.ucm.es Facultad de CC. Matemáticas Universidad Complutense de Madrid I. Distribuciones Discretas Bernoulli (p) Aplicaciones:
Más detallesTeoría de la decisión
1.- Un problema estadístico típico es reflejar la relación entre dos variables, a partir de una serie de Observaciones: Por ejemplo: * peso adulto altura / peso adulto k*altura * relación de la circunferencia
Más detallesTema 4: Probabilidad y Teoría de Muestras
Tema 4: Probabilidad y Teoría de Muestras Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Probabilidad y Teoría de Muestras Curso 2008-2009
Más detalles( ) DISTRIBUCIÓN UNIFORME (o rectangular) 1 b a. para x > b DISTRIBUCIÓN DE CAUCHY. x ) DISTRIBUCIÓN EXPONENCIAL. α α 2 DISTRIBUCIÓN DE LAPLACE
Estudiamos algunos ejemplos de distribuciones de variables aleatorias continuas. De ellas merecen especial mención las derivadas de la distribución normal (χ, t de Student y F de Snedecor), por su importancia
Más detallesEste proceso equivale a obtener fórmulas o procedimientos factibles de aplicarse a una región hidrológica.
1.4. Tormentas regionales Las tormentas de tipo regional se determinan a través de un proceso que involucra un conjunto de aspectos relacionados con la geografía, el tipo de lluvia que ocurre y algunos
Más detallesviii CAPÍTULO 2 Métodos de muestreo CAPÍTULO 3 Análisis exploratorio de datos
Contenido Acerca de los autores.............................. Prefacio.... xvii CAPÍTULO 1 Introducción... 1 Introducción.............................................. 1 1.1 Ideas de la estadística.........................................
Más detalles3 ANALISIS DESCRIPTIVO DE LOS DATOS
3 ANALISIS DESCRIPTIVO DE LOS DATOS 3.1 La tabulación de los datos 3.1.1 Tabla de distribución de frecuencias. 3.1.2 El histograma. 3.2 Medidas de tendencia central 3.2.1 La media. 3.2.2 La mediana. 3.2.3
Más detallesEstimación de Parámetros.
Estimación de Parámetros. Un estimador es un valor que puede calcularse a partir de los datos muestrales y que proporciona información sobre el valor del parámetro. Por ejemplo la media muestral es un
Más detallesANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
Más detallesCálculo de Probabilidades II Preguntas Tema 1
Cálculo de Probabilidades II Preguntas Tema 1 1. Suponga que un experimento consiste en lanzar un par de dados, Sea X El número máximo de los puntos obtenidos y Y Suma de los puntos obtenidos. Obtenga
Más detallesPRINCIPIOS ESTADÍSTICOS APLICADOS EN CONTROL DE CALIDAD
UNIDAD II PRINCIPIOS ESTADÍSTICOS APLICADOS EN CONTROL DE CALIDAD Por: Prof. Gastón A. Pérez U. 2.3- PROBABILIDAD Y DISTRIBUCIÓN DE PROBABILIDAD 30 31 (2.3.2) DISTRIBUCIÓN DE PROBABILIDAD ES UNA DESCRIPCIÓN
Más detallesModelos Probabilísticos de Valores Máximos en Hidrología: Un Nuevo Enfoque
Modelos Probabilísticos de Valores Máximos en Hidrología: Un Nuevo Enfoque Agustín Felipe Breña Puyol UAM-IDepto de Ingeniería de Procesos e Hidráulica Resumen adicionalmente los modelos probabilísticos
Más detallesCuáles son las características aleatorias de la nueva variable?
Apuntes de Estadística II. Ingeniería Industrial. UCAB. Marzo 203 CLASES DE ESTADÍSTICA II CLASE 5) UNA TRANSFORMACIÓN DE DOS VARIABLES. Sea Z = g(, ) una función de las variables aleatorias e, tales que
Más detallesPROBABILIDAD Y ESTADÍSTICA. Sesión 4 4. REGRESIÓN Y CORRELACIÓN SIMPLE
PROBABILIDAD Y ESTADÍSTICA Sesión 4 4. REGRESIÓN Y CORRELACIÓN SIMPLE 4.1 Regresión lineal simple y curvilínea 4.1.1 Variable dependiente e independiente 4.1.2 Ecuación de regresión 4.1.2.1 Aplicación
Más detallesESTADÍSTICA INFERENCIAL. Sesión 6: Distribuciones de probabilidad para variables aleatorias continuas
ESTADÍSTICA INFERENCIAL Sesión 6: Distribuciones de probabilidad para variables aleatorias continuas Contextualización Las variables aleatorias discretas son aquellas que toman estrictamente valores enteros,
Más detallesDefinición Se dice que una variable aleatoria X es continua si su conjunto de posibles valores es todo un intervalo (finito o infinito) de números
IV. Variables Aleatorias Continuas y sus Distribuciones de Probabilidad 1 Variable Aleatoria Continua Definición Se dice que una variable aleatoria X es continua si su conjunto de posibles valores es todo
Más detallesCM0244. Suficientable
IDENTIFICACIÓN NOMBRE ESCUELA ESCUELA DE CIENCIAS NOMBRE DEPARTAMENTO Ciencias Matemáticas ÁREA DE CONOCIMIENTO MATEMATICAS, ESTADISTICA Y AFINES NOMBRE ASIGNATURA EN ESPAÑOL ESTADÍSTICA GENERAL NOMBRE
Más detallesLECTURA 03: DISTRIBUCIÓN T STUDENT Y DISTRIBUCIÓN CHICUADRADO TEMA 6: DISTRIBUCION T STUDENT. MANEJO DE TABLAS ESTADISTICAS.
LECTURA 3: DISTRIBUCIÓN T STUDENT Y DISTRIBUCIÓN CHICUADRADO TEMA 6: DISTRIBUCION T STUDENT MANEJO DE TABLAS ESTADISTICAS 1 INTRODUCCION Se dice que una variable aleatoria T tiene una distribución t de
Más detallesVARIABLES ALEATORIAS CONTINUAS
VARIABLES ALEATORIAS CONTINUAS M. en C. Juan Carlos Gutiérrez Matus Instituto Politécnico Nacional Primavera 2004 IPN UPIICSA c 2004 Juan C. Gutiérrez Matus Definición de una V.A.C. Definición de una V.A.C.
Más detallesEvaluación económica de proyectos de inversión utilizando simulación
Jiménez Boulanger, Francisco. Evaluación económica de proyectos de inversión utilizando simulación Tecnología en Marcha. Vol. 19-1. Evaluación económica de proyectos de inversión utilizando simulación
Más detallesESTADÍSTICA INFERENCIAL
ESTADÍSTICA INFERENCIAL ESTADÍSTICA INFERENCIAL 1 Sesión No. 10 Nombre: Pruebas de hipótesis referentes al valor de la media de la población Contextualización En estadística existen dos métodos para la
Más detallesObjetivo: Comprender la diferencia entre valor esperado, varianza y desviación estándar. Poner en práctica el teorema de Chebyshev
PROBABILIDAD Y ESTADÍSTICA Sesión MODELOS ANALÍTICOS DE FENÓMENOS ALEATORIOS CONTINUOS. Definición de variable aleatoria continua. Función de densidad y acumulatíva. Valor esperado, varianza y desviación
Más detallesEstadística y Probabilidad
La universidad Católica de Loja Estadística y Probabilidad ESCUELA DE ELECTRÓNICA Y TELECOMUNICACIONES Paralelo C Nombre: Milner Estalin Cumbicus Jiménez. Docente a Cargo: Ing. Patricio Puchaicela. Ensayo
Más detallesEstadísticas Elemental Tema 3: Describir, Explorar, y Comparar Data
Estadísticas Elemental Tema 3: Describir, Explorar, y Comparar Data (parte 2) Medidas de dispersión 3.1-1 Medidas de dispersión La variación entre los valores de un conjunto de datos se conoce como dispersión
Más detallesFigura Área de Influencia de las estaciones complementarias a la estación Centro
INFORME FINAL Instituto de Ingeniería Coordinación de Hidráulica Figura 3.5.1 Área de Influencia de las estaciones complementarias a la estación Centro Tabla 3.5.2 Estaciones dentro del área de influencia
Más detallesEjercicio 1. Ejercicio 2
Guía de Ejercicios Ejercicio. Calcular los momentos de primer y segundo orden (media y varianza) de una variable aleatoria continua con distribución uniforme entre los límites a y b.. Sabiendo que la función
Más detallesPROBABILIDADES Trabajo Práctico 5. 0 si x<0. x3 si 0 x<2 1 si x 2
PROBABILIDADES Trabajo Práctico 5 1. Sea X una variable aleatoria con función de distribución acumulada a) Calcular, usando F X, P (X 1) P (0.5 X 1) P (X >1.5) b) Hallar la mediana de esta distribución.
Más detallesANÁLISIS DE DATOS EXPERIMENTALES POR MÍNIMOS CUADRADOS
ANÁLISIS DE DATOS EXPERIMENTALES POR MÍNIMOS CUADRADOS CONTENIDO 1 Ajuste de Curvas 2 Análisis de Regresión 2.1 Métodos de Mínimos Cuadrados 2.2 Regresión Lineal AJUSTE DE CURVAS Uno de los objetivos en
Más detallesTécnicas Cuantitativas para el Management y los Negocios I
Técnicas Cuantitativas para el Management y los Negocios I Licenciado en Administración Mag. María del Carmen Romero 2014 romero@econ.unicen.edu.ar Módulo II: ESTADÍSTICA INFERENCIAL Contenidos Módulo
Más detallesEstadísticas y distribuciones de muestreo
Estadísticas y distribuciones de muestreo D I A N A D E L P I L A R C O B O S D E L A N G E L 7/11/011 Estadísticas Una estadística es cualquier función de las observaciones en una muestra aleatoria que
Más detallesINDICE. Prólogo a la Segunda Edición
INDICE Prólogo a la Segunda Edición XV Prefacio XVI Capitulo 1. Análisis de datos de Negocios 1 1.1. Definición de estadística de negocios 1 1.2. Estadística descriptiva r inferencia estadística 1 1.3.
Más detallesESTADISTICA GENERAL. PRINCIPALES DISTRIBUCIONES CONTINUAS Profesor: Celso Celso Gonzales
ESTADISTICA GENERAL PRINCIPALES DISTRIBUCIONES CONTINUAS Profesor: Celso Celso Gonzales OBJETIVOS Describir las características de las distribuciones de probabilidad : Normal, Ji-cuadrado, t de student
Más detallesUSO DE LAS HERRAMIENTAS ESTADÍSTICAS DE EXCEL EN EL ANÁLISIS DE FRECUENCIAS DE CAUDALES MÁXIMOS
REVISA ELECRÓICA AFEI DIGIAL Año,., Ene-Jun. 05 USO DE LAS HERRAMIEAS ESADÍSICAS DE EXCEL E EL AÁLISIS DE FRECUECIAS DE CAUDALES MÁXIMOS J. A. Raynal Villaseñor RESUME Se propone el uso de herramientas
Más detalles1º BACHILLERATO HUMANIDADES Y CIENCIAS SOCIALES MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES I PENDIENTES
1º BACHILLERATO HUMANIDADES Y CIENCIAS SOCIALES MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES I PENDIENTES 1.- INTRODUCCIÓN AL NÚMERO REAL Realización de operaciones con números reales. Ordenación de los
Más detallesCarrera: Ingeniería Civil CIM 0531
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos: Probabilidad y Estadística Ingeniería Civil CIM 0531 3 2 8 2.- HISTORIA DEL PROGRAMA
Más detallesPROBABILIDAD Y ESTADÍSTICA. Sesión 6 (A partir de tema 5.9)
PROBABILIDAD Y ESTADÍSTICA Sesión 6 (A partir de tema 5.9) 5.9 Muestreo: 5.9.1 Introducción al muestreo 5.9.2 Tipos de muestreo 5.10 Teorema del límite central 5.11 Distribución muestral de la media 5.12
Más detallesFormulario. Estadística Administrativa. Módulo 1. Introducción al análisis estadístico
Formulario. Estadística Administrativa Módulo 1. Introducción al análisis estadístico Histogramas El número de intervalos de clase, k, se elige de tal forma que el valor 2 k sea menor (pero el valor más
Más detallesAnálisis Estadístico de Datos Climáticos. Distribuciones paramétricas de probabilidad (Wilks, cap. 4)
Análisis Estadístico de Datos Climáticos Distribuciones paramétricas de probabilidad (Wilks, cap. 4) 2013 Variables aleatorias Una variable aleatoria es aquella que toma un conjunto de valores numéricos
Más detallesTeoría de errores. 4 Otro de estos ejemplos pueden ser el de la medición de la densidad de un compuesto sólido o la velocidad de la luz.
1. Preliminar Cuando se realizan mediciones siempre estamos sujetos a los errores, puesto que ninguna medida es perfecta. Es por ello, que nunca se podrá saber con certeza cual es la medida real de ningún
Más detalles( x) Distribución normal
Distribución normal por Oliverio Ramírez La distribución de probabilidad más importante es sin duda la distribución normal (o gaussiana), la cual es de tipo continuo. La distribución de probabilidad para
Más detallesCORRELACIÓN Y REGRESIÓN. Raúl David Katz
CORRELACIÓN Y REGRESIÓN Raúl David Katz 1 Correlación y regresión Introducción Hasta ahora hemos visto el modo de representar la distribución de frecuencias de los datos correspondientes a una variable
Más detallesESTADÍSTICA INFERENCIAL
ESTADÍSTICA INFERENCIAL ESTADÍSTICA INFERENCIAL 1 Sesión No. 6 Nombre: Distribuciones de probabilidad para variables aleatorias continuas Contextualización Las variables aleatorias discretas son aquellas
Más detallesTema 6. Variables aleatorias continuas. Distribución Normal
Tema 6. Variables aleatorias continuas. Distribución Normal Indice 1. Distribuciones de probabilidad continuas.... 2 2. Distribución Normal... 5 2.1. Distribución Normal estándar N(0,1).... 5 2.1.1 Utilización
Más detallesCAPITULO 8 MUESTRAS ALEATORIAS Y NUMEROS ALEATORIOS
Teoría elemental de muestreo CAPITULO 8 TEORIA DE MUESTREO La teoría de muestreo es el estudio de las relaciones existentes entre una población y las muestras extraídas de ella. Es de gran utilidad en
Más detallesAuxiliar 9. MNL y MLE. Daniel Olcay. 21 de octubre de 2014 IN4402. Daniel Olcay (IN4402) Auxiliar 9 21 de octubre de / 13
Auxiliar 9 MNL y MLE Daniel Olcay IN4402 21 de octubre de 2014 Daniel Olcay (IN4402) Auxiliar 9 21 de octubre de 2014 1 / 13 Índice Modelos no lineales Probabilidad lineal Probit Logit Máxima verosimilitud
Más detallesVARIABLES ALEATORIAS CONTINUAS
VARIABLES ALEATORIAS CONTINUAS El zoo binomial: las probabilidades en la distribución binomial. Tutorial 5, sección 2 X = número de éxitos al repetir n veces un experimento con probabilidaf de éxito p
Más detallesMás Allá del Modelo de Regresión Lineal. Dante A. Urbina
Más Allá del Modelo de Regresión Lineal Dante A. Urbina CONTENIDOS 1. Modelos de Regresión No Lineales 2. Modelos de Respuesta Cualitativa 3. Datos de Panel 4. Modelos Autorregresivos y de Rezagos 5. Modelos
Más detallesEstimación por intervalos
Capítulo 9 Estimación por intervalos 9.1. Introducción En este capítulo se desarrolla la estimación por intervalos donde el proceso de inferencia se realiza de la forma θ C, donde C = Cx) es un conjunto
Más detallesCURSO: ANALISIS ESTADISTICO DE RIESGOS
MANAGEMENT CONSULTORES CURSO: ANALISIS ESTADISTICO DE RIESGOS Cnel. R.L. Falcón 1435 C1406GNC 35 Buenos Aires, Argentina Tel.: 054-11-15-5468-3369 Fax: 054-11-4433-4202 Mail: acaminos@mgmconsultores.com.ar
Más detallesDefinición de Correlación
Definición de Correlación En ocasiones nos puede interesar estudiar si existe o no algún tipo de relación entre dos variables aleatorias: Estudiar cómo influye la estatura del padre sobre la estatura del
Más detallesLa probabilidad de obtener exactamente 2 caras en 6 lanzamientos de una moneda es. 2) (2) (2) "it^g) = 64
Las distribuciones binomial, normal y de Poisson CAPITULO 7 Wmmr LA DISTRIBUCION B I N O M I A L Si p es la probabilidad de que cualquier evento ocurra en un solo ensayo (denominada probabilidad de éxito)
Más detalles